本文將遍歷批量資料點並讓tensorflow更新斜率和y截距。這次將使用scikit learn的內建iris資料集。特別地，我們將用資料點（x值代表花瓣寬度，y值代表花瓣長度）找到最優直線。選擇這兩種特徵是因為它們具有線性關係，在後續結果中將會看到。本文將使用l2正則損失函式。
# 用tensorflow實現線性回歸演算法
#----------------------------------
## this function shows how to use tensorflow to
# solve linear regression.
# y = ax + b
## we will use the iris data, specifically:
# y = sepal length
# x = petal width
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from sklearn import datasets
from tensorflow.python.framework import ops
ops.reset_default_graph()
# create graph
sess = tf.session()
# load the data
# iris.data = [(sepal length, sepal width, petal length, petal width)]
iris = datasets.load_iris()
x_vals = np.array([x[3] for x in iris.data])
y_vals = np.array([y[0] for y in iris.data])
# 批量大小
batch_size = 25
# initialize 佔位符
x_data = tf.placeholder(shape=[none, 1], dtype=tf.float32)
y_target = tf.placeholder(shape=[none, 1], dtype=tf.float32)
# 模型變數
a = tf.variable(tf.random_normal(shape=[1,1]))
b = tf.variable(tf.random_normal(shape=[1,1]))
# 增加線性模型，y=ax+b
model_output = tf.add(tf.matmul(x_data, a), b)
# 宣告l2損失函式，其為批量損失的平均值。
loss = tf.reduce_mean(tf.square(y_target - model_output))
# 宣告優化器 學習率設為0.05
my_opt = tf.train.gradientdescentoptimizer(0.05)
train_step = my_opt.minimize(loss)
# 初始化變數
init = tf.global_variables_initializer()
sess.run(init)
# 批量訓練遍歷迭代
# 迭代100次，每25次迭代輸出變數值和損失值
loss_vec =
for i in range(100):
rand_index = np.random.choice(len(x_vals), size=batch_size)
rand_x = np.transpose([x_vals[rand_index]])
rand_y = np.transpose([y_vals[rand_index]])
sess.run(train_step, feed_dict=)
temp_loss = sess.run(loss, feed_dict=)
if (i+1)%25==0:
print('step #' + str(i+1) + ' a = ' + str(sess.run(a)) + ' b = ' + str(sess.run(b)))
print('loss = ' + str(temp_loss))
# 抽取係數
[slope] = sess.run(a)
[y_intercept] = sess.run(b)
# 建立最佳擬合直線
best_fit =
for i in x_vals:
# 繪製兩幅圖
# 擬合的直線
plt.plot(x_vals, y_vals, 'o', label='data points')
plt.plot(x_vals, best_fit, 'r-', label='best fit line', linewidth=3)
plt.legend(loc='upper left')
plt.title('sepal length vs pedal width')
plt.xlabel('pedal width')
plt.ylabel('sepal length')
plt.show()
# plot loss over time
# 迭代100次的l2正則損失函式
plt.plot(loss_vec, 'k-')
plt.title('l2 loss per generation')
plt.xlabel('generation')
plt.ylabel('l2 loss')
plt.show()
用TensorFlow實現戴明回歸演算法
如果最小二乘線性回歸演算法最小化到回歸直線的豎直距離 即，平行於y軸方向 則戴明回歸最小化到回歸直線的總距離 即，垂直於回歸直線 其最小化x值和y值兩個方向的誤差，具體的對比圖如下圖。線性回歸演算法和戴明回歸演算法的區別。左邊的線性回歸最小化到回歸直線的豎直距離 右邊的戴明回歸最小化到回歸直線的總距...
用TensorFlow實現簡單線性回歸
使用tensorflow 構造乙個神經元，簡單的線性回歸網路。問題 現有一組有雜訊的樣本資料，共2000個，每乙個樣本 x 有 3 個特徵，對應乙個標籤 y 值。從資料樣本中學習 y w x b y w times x b y w x b 中的引數 首先我們來生成樣本資料，w real 和 b re...
教你用TensorFlow實現手寫數字識別
弱者用淚水安慰自己，強者用汗水磨練自己。這段時間因為專案中有一塊需要用到影象識別，最近就一直在煉丹，寶寶心裡苦，但是寶寶不說。能點開這篇文章的朋友估計也已經對tensorflow有了一定了解，至少知道這是個什麼東西，我也就不過多介紹了。實現手寫數字識別幾乎是所有入手影象識別的入門程式了，tensor...